(und CL Programmierung 2)
Montag 10:30 – 12:00 22.01 HS2C
Dienstag, 10:30 – 12:00 2321.00.97
Ich benutze eine Pinnwand, an der Sie anonym Fragen und (sinnvolle) Kommentare schreiben können.
Hier gibt es noch mehr Etherpads: http://etherpad.phil-fak.uni-duesseldorf.de/
Dieser Kurs gibt eine Einführung in die Wahrscheinlichkeit und Statistik, ohne Vorkenntnisse darin vorauszusetzen. Wir machen erstmal das Übliche: Wahrscheinlichkeitsräume, Zufallsvariablen, wichtige Verteilungen, Hypothesen prüfen, Parameter schätzen, Regression; alles weitere muss man schauen. Zu allen diesen Konzepte gibt es Programmieraufgaben, wofür wir die Sprache R benutzen werden.
Dienstags finden die praktischen Sitzungen mit Programmieraufgaben statt, Montags werden die theoretischen Inhalte besprochen.
Die wichtigsten Inhalte gibt es in diesem Skript. Vorsicht: das wird Regelmäßig überarbeitet!
Hausaufgaben im Hausaufgabenblatt der jeweiligen Woche. Bitte per email senden an Vincent Dalla Vecchia <vidal100@uni-duesseldorf.de>!
Woche 1 – Formalia, Theorie: Wahrscheinlichkeitstheorie, Grundlagen pdf
Woche 2
Theorie: Grundregeln der Wahrscheinlichkeit und Ihre Anwendung
Praxis: Grundlagen R
Hausaufgabe 1 Musterlösung
Woche 3
Theorie: Fällt aus.
Umgang mit Daten, Zeilen, Spalten, Boolesche Bedingungen
Hausaufgabe 2 Musterlösung
Woche 4
Theorie: Zufallsvariablen, Erwartungswert, Varianz etc.
Praxis: Varianz etc, Variablen in Datensätzen
Hausaufgabe 3 Musterlösung
Woche 5
Theorie: Wichtige Verteilungen (Binomial, Normal etc.)
Praxis: Verteilungen anwenden
Hausaufgabe 4 Musterlösung
Woche 6
Zipfs Gesetz, die Grenzen des Vertrauens
Praxis: Vertrauensgrenzen berechnen
Hausaufgabe 5 Musterlösung
Woche 7
Bayesianische Statistik
Praxis: Aposteriori berechnen
Hausaufgabe 6 Musterlösung
Woche 8
Einseitige Tests, Tests für Unabhängigkeit, Markov Ketten
Praxis: Dynamische Programmierung, Tests
Hausaufgabe 7 Musterlösung
Woche 9
Eigenschaften von Markov Ketten; Parameter schätzen;
Add-one smoothing
Praxis: Markov Ketten implementieren
Hausaufgabe 8 Musterlösung
Hilfestellung
Woche 10
Praxis: Hashmaps, Add-one smoothing
Hausaufgabe 9 Musterlösung
Woche 11
Good-Turing Smoothing
Entropie
Hausaufgabe 10 Hilfestellung Musterlösung
Woche 12
Entropie
Hausaufgabe 11 Musterlösung
Woche 13
Kausalität, Bayesianische Netze
Hausaufgabe 12 Musterlösung
Woche 14
Maximum Entropie Methoden, Overfitting und anderes
Woche 15 Vermischtes, Ausblick:
Die Grenzen des Vertrauens I: “Todeshögel”
Die Grenzen des Vertrauens II: Reproduzierbarkeitskrise und p-Hacking
Zufälligkeit – was ist das? Zwei fundamentale Ergebnisse, und ihre Anwendung
Die Methode statistische Methode und maschinelles Lernen – Vergangenheit und Zukunft?
